【技术实现步骤摘要】
本专利技术涉及数字信号处理，具体是指一种数字信号处理方法。
技术介绍
1、数字信号处理是指用数字计算机或专用数字信号处理器对信号进行数字化、滤波、谱分析、压缩、编码、检测、估计等操作的过程。但是一般信号处理过程中存在原始信号噪声干扰严重，周期性成分对信号分析的干扰，以及信号特征提取能力弱的问题；一般信号处理方法存在信号调制的精度和准确性低，泛化能力弱的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种数字信号处理方法，针对一般信号处理过程中存在原始信号噪声干扰严重，周期性成分对信号分析的干扰，以及信号特征提取能力弱的问题，本方案通过等间隔采样，周期性去噪处理以及设计点阵波数字滤波器对原始信号滤波处理通过基于正交分量的矩阵变化和基于衰落的变换实现对信号的变换分解从而提取信号特征信息；针对一般信号处理方法存在信号调制的精度和准确性低，泛化能力弱的问题，本方案基于深度学习模型实现信号调制，编码器和解码器层采用conv1d和maxpool1d块实现时空降采样和降维，transformer层引入注意力机制，有效捕捉长程依赖关系和序列内关联；损失函数既考虑信号的重建精度，又考虑分类精度；并通过改进二进制搜索算法对模型最优参数搜索。
2、本专利技术采取的技术方案如下：本专利技术提供的一种数字信号处理方法，该方法包括以下步骤：
3、步骤s1：信号采集；
4、步骤s2：信号预处理；
5、步骤s3：矩阵变换；
7、步骤s5：模型参数搜索。
8、进一步地，在步骤s1中，所述信号采集是指采集信号的时域波形数据、频域信息、时间序列数据和调制类型。
9、进一步地，在步骤s2中，所述信号预处理具体包括以下步骤：
10、步骤s21：等间隔采样，确定采样频率，所用公式如下：
11、；
12、式中，fm是采样频率，fmax是待处理信号的最高频率成分；
13、步骤s22：去除周期性，针对周期性信号，对采样后的信号进行周期性去除操作，所用公式如下：
14、；
15、式中，是离散时间系统中的序列，是周期性消除计算的结果；s是拉普拉斯变换的复变量，用于转换连续时间域到离散时间域；t是是采样周期，表示离散时间系统中取样的时间间隔；
16、步骤s23：设计点阵波数字滤波器，滤波器由下支路和上支路组成，每个支路包括一个全通组件和一个滤波器组件，全通组件的作用是产生通频带和关闭带，定义适配器的参数γ0作为适配器的反射系数，表示适配器对来自全通组件的信号的反射程度，所用公式如下：
17、；
18、式中，b0是栅极电阻。
19、进一步地，在步骤s3中，所述矩阵变换具体包括以下步骤：
20、步骤s31：对信号的正交分量进行矩阵变换，所用公式如下：
21、；
22、式中，是变换后的正交分量的向量形式，是原始正交分量的向量形式，是频率偏移，t是时间，是相位偏移；
23、步骤s32：基于衰落将正交分量进行变换，表示如下：
24、；
25、式中，是基于衰落变换后的正交分量的向量形式；x(t)和y(t)分别表示信号的实部和虚部，t是时间变量。
26、进一步地，在步骤s4中，所述信号调制具体包括以下步骤：
27、步骤s41：定义模型架构，编码器层由交替的conv1d和maxpool1d块组成；解码器层由交替的conv1d和上采样块组成；transformer层使用pytorchreformer架构，隐藏维度为256，深度为2，包含8个注意力头；transformer层的输出被展平并用作具有输出大小为1024的完全连接层的输入，随后输入到batchnorm1d、relu和dropout层；分类器的最后一层是另一个全连接层，其输出大小根据当前任务而变化；整个模型中使用的dropout百分比是0.2；使用随机梯度下降最小化总损失函数，同时使用adam优化器来更新参数；学习率设置为0.001；
28、步骤s42：定义l2重建损失函数，所用公式如下：
29、；
30、式中，是l2重建损失函数，用于衡量目标信号tx与生成的重建信号之间的差异；是范数；θm是模型参数；
31、步骤s43：定义分类器损失函数，所用公式如下：
32、；
33、式中，是分类器损失函数；ce为交叉熵损失函数；λci是损失权重；是对于调制类型ci的l2重建损失函数，i是调制类型的索引；l是真实调制类型；是预测调制类型；
34、步骤s44：构造模型输出目标，表示如下：
35、；
36、式中，l是目标信号的调制类型，是相位偏移角度；是信号的频率偏移量；snr是信噪比的值。
37、进一步地，在步骤s5中，所述模型参数搜索具体包括以下步骤：
38、步骤s51：搜索初始化，基于模型待搜索参数确定二进制搜索空间，基于搜索空间随机初始化参数搜索位置，参数搜索空间的每个位置对应一组二进制编码，将基于参数搜索位置建立的模型性能作为搜索个体适应度值；将搜索个体按照适应度值降序排序，将搜索个体划分为较优组和一般组；将适应度值最高的个体作为全局最优个体；
39、步骤s52：设计较优组移动策略，所用公式如下：
40、；
41、；
42、式中，和分别是较优组的i个体j维度第n次和第n+1次移动的位置；w是移动权重；c是较优移动因子，r1是属于0到1的随机数；是全局最优个体j维度第n次迭代时的位置；sig(·)是决策函数；complement()是补码操作；
43、步骤s53：设计一般组移动策略，所用公式如下：
44、；
45、；
46、式中，是随机移动权重，wmax是最大权重，wmin是最小权重；和是一般组的i个体j维度第n+1次和第n次移动的位置；n是最大迭代次数，ε极小正值；r2是属于0到1的随机数，与r1相互独立；
47、步骤s54：搜索判定，预先设有适应度阈值，当存在搜索个体适应度值高于搜索阈值时，基于个体位置建立模型；当达到最大迭代次数，重新初始化参数搜索位置进行搜索；否则重新划分一般组和较优组，重新选择全局最优个体，进行移动搜索。
48、采用上述方案本专利技术取得的有益效果如下：
49、（1）针对一般信号处理过程中存在原始信号噪声干扰严重，周期性成分对信号分析的干扰，以及信号特征提取能力弱的问题，本方案通过等间隔采样，周期性去噪处理以及设计点阵波数字滤波器对原始信号滤波处理通过基于正交分量的矩阵变化和基于衰落的变换实现对信号的变换分解从而提取信号特征信息。
50、（2）针对一般信号处理方法存在信号调制的精度和准确性低，泛本文档来自技高网...
【技术保护点】
1.一种数字信号处理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤S4中，所述信号调制具体包括以下步骤：
3.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤S2中，所述信号预处理具体包括以下步骤：
4.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤S3中，所述矩阵变换具体包括以下步骤：
5.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤S1中，所述信号采集是指采集信号的时域波形数据、频域信息、时间序列数据和调制类型。
【技术特征摘要】
1.一种数字信号处理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤s4中，所述信号调制具体包括以下步骤：
3.根据权利要求1所述的一种数字信号处理方法，其特征在于：在步骤s2中，所述信号预处理具体包括以...
【专利技术属性】
技术研发人员：刘解华，王克评，李响，
申请(专利权)人：北京奥康银华科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。